JP6882364B2 - Machine learning device and thermal displacement compensator - Google Patents
Machine learning device and thermal displacement compensator Download PDFInfo
- Publication number
- JP6882364B2 JP6882364B2 JP2019082287A JP2019082287A JP6882364B2 JP 6882364 B2 JP6882364 B2 JP 6882364B2 JP 2019082287 A JP2019082287 A JP 2019082287A JP 2019082287 A JP2019082287 A JP 2019082287A JP 6882364 B2 JP6882364 B2 JP 6882364B2
- Authority
- JP
- Japan
- Prior art keywords
- measurement data
- thermal displacement
- data group
- machine learning
- machine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Automatic Control Of Machine Tools (AREA)
- Numerical Control (AREA)
Description
本発明は、工作機械に適用される機械学習装置及び熱変位補正装置に関する。 The present invention relates to a machine learning device and a thermal displacement correction device applied to a machine tool.
工作機械における加工誤差の主要因の一つとして、工作機械の機械要素の熱膨張により、工具とワークとの間に相対的な熱変位が発生する問題がある。より具体的には、工作機械の構成要素として、例えば、主軸、主軸装置、ベッド、コラム、ワークテーブル、工具等が挙げられる。主軸の回転による発熱、主軸駆動モータの発熱、クーラント供給装置から工具に供給されるクーラントによる吸熱、潤滑油供給装置から主軸軸受に供給される潤滑油による吸熱等により、とりわけ主軸を中心として上記の構成要素が熱変形し、工具とワークとの間の相対的な熱変位が発生することがある。 One of the main causes of machining errors in machine tools is the problem that relative thermal displacement occurs between the tool and the work due to the thermal expansion of the machine elements of the machine tool. More specifically, examples of the components of the machine tool include a spindle, a spindle device, a bed, a column, a work table, a tool, and the like. Due to heat generated by the rotation of the spindle, heat generated by the spindle drive motor, heat absorption by the coolant supplied from the coolant supply device to the tool, heat absorption by the lubricating oil supplied from the lubricating oil supply device to the spindle bearing, etc. The components may be thermally deformed, causing a relative thermal displacement between the tool and the workpiece.
これに対し、工作機械の主軸近くの熱源や外気温等の様々な熱源による、主軸の熱膨張の影響を考慮して、工作機械を制御する数値制御装置の指令値を補正することにより、加工精度を向上させる技術が従来用いられてきた（例えば、特許文献１）。 On the other hand, machining is performed by correcting the command value of the numerical control device that controls the machine tool in consideration of the influence of thermal expansion of the spindle due to various heat sources such as the heat source near the spindle of the machine tool and the outside temperature. Techniques for improving accuracy have been conventionally used (for example, Patent Document 1).
しかしながら、特許文献１に記載された技術では、工作機械の特性値の取得方法として、単に、複数の温度センサを設置することが言及されるのみであり、高精度な補正が保証されるものではなかった。
However, in the technique described in
また、温度センサで計測した熱が熱伝導により広がって熱膨張するまでに時間がかかるため、高精度の補正には時間遅れの評価が必要となり、補正式は複雑化する。 Further, since it takes time for the heat measured by the temperature sensor to spread due to heat conduction and thermally expand, it is necessary to evaluate the time delay for high-precision correction, and the correction formula becomes complicated.
また、数値制御装置を搭載する機械によって構造や部材が変化するため、機械の種別により、最適な熱変位補正式は変化する。 Further, since the structure and members change depending on the machine equipped with the numerical control device, the optimum thermal displacement correction formula changes depending on the type of machine.
また、周囲の発熱源や出入り口の存在等、使用環境によって外部の熱源が変化するため、適切な温度センサ配置が変化し、これに応じて、最適な補正式も変化する。また、温度センサを適切な位置に配置するために、計測器を増加させた場合には、生産コストと保守費用の増大に繋がる。 In addition, since the external heat source changes depending on the usage environment such as the presence of the surrounding heat generation source and the entrance / exit, the appropriate temperature sensor arrangement changes, and the optimum correction formula also changes accordingly. Further, if the number of measuring instruments is increased in order to arrange the temperature sensor at an appropriate position, it leads to an increase in production cost and maintenance cost.
本発明は、このような事情に鑑み、高精度な補正式の導出、延いては、高精度な補正自体を、低コストで実施することが可能な機械学習装置及び熱変位補正装置を提供することを目的とする。 In view of such circumstances, the present invention provides a machine learning device and a thermal displacement correction device capable of deriving a highly accurate correction formula and, by extension, performing highly accurate correction itself at low cost. The purpose is.
（１） 本発明に係る機械学習装置は、熱膨張する機械要素を有する工作機械（例えば、後述の工作機械３５）の前記機械要素とその周辺の温度データ及び／又は前記機械要素の動作状態データを含む計測データ群に基づいて前記機械要素の熱変位量を推定する計算式を機械学習によって最適化する機械学習装置（例えば、後述の機械学習装置１０，１０Ａ，１０Ｂ）であって、前記計測データ群を取得する計測データ取得部（例えば、後述の計測データ取得部１１）と、前記機械要素の熱変位量の実測値を取得する熱変位量取得部（例えば、後述の熱変位量取得部１２）と、前記計測データ取得部によって取得された前記計測データ群を入力データとし、前記熱変位量取得部によって取得された前記機械要素の熱変位量の実測値をラベルとして互いに関連付けて教師データとして記憶する記憶部（例えば、後述の記憶部１３）と、前記計測データ群と、前記機械要素の熱変位量の実測値と、に基づいて機械学習を行うことで、前記機械要素の熱変位量を前記計測データ群に基づいて算出する熱変位量予測計算式を設定する計算式学習部（例えば、後述の計算式学習部１４）と、を備え、前記計算式学習部は、前記熱変位量予測計算式に前記記憶部に教師データとして記憶された所定期間内における前記計測データ群を代入して算出される前記機械要素の熱変位量の推定値と、前記記憶部にラベルとして記憶された前記所定期間内における前記機械要素の熱変位量の実測値との差異に基づいて、前記熱変位量予測計算式を設定する。
(1) The machine learning device according to the present invention is a machine element having a mechanical element that expands thermally (for example, a
（２） （１）の機械学習装置において、前記計測データ取得部（例えば、後述の計測データ取得部１１）は、さらに、前記計測データ群に計測データの追加、及び／又は前記計測データ群から計測データを除外することで第２の計測データ群を取得し、前記記憶部（例えば、後述の記憶部１３）に、前記第２の計測データ群を入力データとして記憶し、前記計算式学習部（例えば、後述の計算式学習部１４）は、さらに、前記第２の計測データ群に基づいて前記機械要素の熱変位量を算出する第２熱変位量予測計算式を設定してもよい。
(2) In the machine learning device of (1), the measurement data acquisition unit (for example, the measurement
（３） （２）の機械学習装置において、前記計測データ群に含まれる計測データの熱変位量の予測に対する寄与度を判定する寄与度判定部（例えば、後述の寄与度判定部１５）をさらに備え、前記寄与度判定部は、寄与度算出対象の計測データを含む計測データ群に基づいて設定された第１熱変位量予測計算式により算出される第１熱変位量予測値と熱変位量実測値との誤差である第１誤差と、前記寄与度算出対象の計測データを除く前記第２の計測データ群に基づいて設定される第２熱変位量予測計算式により算出される第２熱変位量予測値と熱変位量実測値との誤差である第２誤差と、の差異に基づいて、前記寄与度算出対象の計測データの寄与度を判定してもよい。
(3) In the machine learning device of (2), a contribution determination unit (for example, a
（４） （３）の機械学習装置において、現在取得している計測データ群のうち、予め設定された数の計測データを使用して最良の精度となる計測データの組み合わせからなる最適化計測データ群を選択する最適化計測データ選定部（例えば、後述の最適化計測データ選定部１６）をさらに備え、前記最適化計測データ選定部は、現在取得している計測データ群から、前記寄与度判定部により判定される寄与度の一番少ない計測データを外した計測データ群を、第１番目の計測データ群として選択し、第ｉ（１≦ｉ）番目の計測データ群から、前記寄与度判定部により判定される寄与度の一番少ない計測データを外した計測データ群を、第（ｉ＋１）番目の計測データ群として選択することを繰り返し行うことで、予め設定された数の計測データからなる最適化計測データ群を選択してもよい。
(4) Optimized measurement data consisting of a combination of measurement data with the highest accuracy using a preset number of measurement data among the currently acquired measurement data groups in the machine learning device of (3). The optimization measurement data selection unit (for example, the optimization measurement
（５） （１）〜（４）の機械学習装置において、前記熱変位量予測計算式は、前記計測データ群に含まれる計測データの１次遅れ要素を使用してもよい。 (5) In the machine learning apparatus of (1) to (4), the thermal displacement amount prediction calculation formula may use the first-order lag element of the measurement data included in the measurement data group.
（６） （１）〜（５）の機械学習装置において、前記熱変位量予測計算式は、前記計測データ群に含まれる計測データの時間シフト要素を使用してもよい。 (6) In the machine learning apparatus of (1) to (5), the thermal displacement amount prediction calculation formula may use the time shift element of the measurement data included in the measurement data group.
（７） （１）〜（６）の機械学習装置において、前記熱変位量予測計算式は、ニューラルネットワークによる機械学習に基づいて設定されてもよい。 (7) In the machine learning devices (1) to (6), the thermal displacement amount prediction calculation formula may be set based on machine learning by a neural network.
（８） （１）〜（６）の機械学習装置において、前記計算式学習部（例えば、後述の計算式学習部１４）は、Ｌ２正則化重回帰分析を用いた機械学習に基づいて、前記熱変位量の予測計算式を設定してもよい。
(8) In the machine learning devices of (1) to (6), the calculation formula learning unit (for example, the calculation
（９） （１）〜（６）の機械学習装置において、前記計算式学習部（例えば、後述の計算式学習部１４）は、スパース正則化学習を用いて、前記熱変位量の予測計算式を設定してもよい。
(9) In the machine learning devices of (1) to (6), the calculation formula learning unit (for example, the calculation
（１０） （９）の機械学習装置において、前記計測データ群に含まれる、熱変位量予測の精度向上に貢献しない計測データを検出する検出部（例えば、後述の検出部１７）をさらに備え、前記検出部は、スパース正則化学習により設定される前記熱変位量の予測計算式に基づいて検出してもよい。
(10) The machine learning device of (9) further includes a detection unit (for example, a
（１１） （１）〜（１０）の機械学習装置は、前記工作機械（例えば、後述の工作機械３５）の制御装置（例えば、後述の制御装置３０）に含まれてもよい。
(11) The machine learning devices (1) to (10) may be included in the control device (for example, the
（１２） 本発明に係る熱変位補正装置は、（１）〜（１１）の機械学習装置（例えば、後述の機械学習装置１０，１０Ａ，１０Ｂ）により設定された熱変位量予測計算式に基づいて、前記計測データ群から算出される前記機械要素の熱変位量に対応する補正量を算出する補正量算出部（例えば、後述の補正量算出部２２）と、前記補正量算出部によって算出された前記機械要素の補正量に基づき、前記機械要素の機械位置を補正する補正部（例えば、後述の補正部２４）と、を備えている。
(12) The thermal displacement correction device according to the present invention is based on the thermal displacement amount prediction calculation formula set by the machine learning devices (for example,
（１３） （１２）の熱変位補正装置は、前記工作機械（例えば、後述の工作機械３５）の制御装置（例えば、後述の制御装置３０）に含まれてもよい。
(13) The thermal displacement correction device of (12) may be included in the control device (for example, the
本発明によれば、高精度な補正式の導出、延いては、高精度な補正自体を、低コストで実施することが可能となる。 According to the present invention, it is possible to derive a highly accurate correction formula and, by extension, perform a highly accurate correction itself at low cost.
［第１実施形態］
以下、本発明の第１実施形態を図面に基づいて説明する。図１は、本実施形態に係る熱変位補正システムを示すブロック図である。図２は、本実施形態に係る機械学習装置及び熱変位補正装置の詳細を示すブロック図である。図３は、本実施形態に係る工作機械及び制御装置の詳細を示すブロック図である。
[First Embodiment]
Hereinafter, the first embodiment of the present invention will be described with reference to the drawings. FIG. 1 is a block diagram showing a thermal displacement correction system according to the present embodiment. FIG. 2 is a block diagram showing details of the machine learning device and the thermal displacement correction device according to the present embodiment. FIG. 3 is a block diagram showing details of the machine tool and the control device according to the present embodiment.
＜熱変位補正システム１００の構成＞
まず、本実施形態に係る熱変位補正システム１００の構成について説明する。熱変位補正システム１００は、図１に示すように、機械学習装置１０、熱変位補正装置２０、制御装置３０、工作機械３５、及びネットワーク４０を備えている。なお、機械学習装置１０、熱変位補正装置２０、制御装置３０、工作機械３５は、１台でも複数台でもよい。
<Structure of thermal
First, the configuration of the thermal
ここで、制御装置３０と工作機械３５とは１対１の組とされて、通信可能に接続されている。これら制御装置３０と工作機械３５の組は、例えば同じ工場に複数組設置されていてもよく、それぞれ異なる工場に設置されていてもよい。
Here, the
また、機械学習装置１０と、熱変位補正装置２０と、制御装置３０と、工作機械３５とは、それぞれネットワーク４０に接続されており、ネットワーク４０を介して相互に通信を行うことが可能である。ネットワーク４０は、例えば、工場内に構築されたＬＡＮ（Local Area Network）や、インターネット、公衆電話網、あるいは、これらの組み合わせである。ネットワーク４０における具体的な通信方式や、有線接続及び無線接続のいずれであるか等については、特に限定されない。なお、熱変位補正装置２０と制御装置３０とは、ネットワーク４０を用いた通信ではなく、接続部を介して直接接続してもよく、機械学習装置１０と制御装置３０とは、接続部を介して直接接続してもよい。
Further, the
次に、熱変位補正システム１００に含まれるこれら装置の機能について、図２に基づいて説明する。図２は、各装置に含まれる機能ブロックを表すブロック図である。なお、各熱変位補正装置２０はそれぞれ同等の機能を有しているため、図２では１台のみを図示する。同様に、各制御装置３０や各工作機械３５もそれぞれ同等の機能を有しているため、図２では１台のみを図示する。また、各装置間に存在するネットワーク４０については、その図示を省略する。
Next, the functions of these devices included in the thermal
工作機械３５は、図３に示すように、刃物が取り付けられて主軸モータ３６で回転する主軸と、この主軸を送り出す送り軸とによって切削加工を行う。すなわち、この刃物は、主軸３６を駆動する主軸モータ３７により回転し、送り軸３８を駆動する送り軸モータ３９によって送り出される。なお、実施例では、工作機械３５を切削機械として説明するが、これに限定されない。
As shown in FIG. 3, the
制御装置３０は、図２及び図３に示すように、工作機械３５に制御信号を送出することにより、工作機械３５が所定の切削加工を行うように制御する。制御装置３０には、ワークの加工内容に応じて定まる複数の加工プログラム３１が格納されている。そして、制御装置３０は、加工プログラム３１を読み取って解釈することにより、切削加工の条件（例えば、主軸の加減速の頻度、回転数、切削負荷、切削時間）を抽出して位置指令データ等を熱変位補正装置２０に出力するプログラム読取解釈部３２と、熱変位補正装置２０から出力される熱変位補正後の位置指令データに基づいて、工作機械３５の主軸モータ３７及び送り軸モータ３９を駆動する動作指令を作成するモータ制御部３３と、動作指令を増幅して工作機械３５の主軸モータ３７に出力するモータ駆動アンプ３４Ａ、及び、送り軸モータ３９に出力するモータ駆動アンプ３４Ｂと、を備えている。また、プログラム読取解釈部３２は、切削加工の条件（例えば、主軸の加減速の頻度、回転数、切削負荷、切削時間）を抽出して熱変位補正装置２０に出力してもよい。また、回転数や切削時間等に関して、制御装置３０は、主軸モータ３７及び／又は送り軸モータ３９からリアルタイムに得られた情報を熱変位補正装置２０に出力してもよい。
また、制御装置３０には、計測データを取得するため、工作機械３５に取り付けるセンサを接続する端子が複数存在する。センサのケーブルをこの端子から抜き差しすることにより、制御装置３０に接続されるセンサを加えたり、取り外したり、センサの場所を変更したりすることが可能である。また、工作機械３５に設置されるセンサの配置を変更することも可能である。なお、センサの配置変更は、工作機械３５の設置場所から取りはずし、設置変更場所に当該センサを加える態様として扱うことができる。
As shown in FIGS. 2 and 3, the
Further, the
機械学習装置１０は、図２に示すように、教師あり機械学習により、工作機械３５における熱変位量予測計算式を学習する。そのため、機械学習装置１０は、計測データ取得部１１、熱変位量取得部１２、記憶部１３及び計算式学習部１４を備えている。
As shown in FIG. 2, the
計測データ取得部１１は、制御装置３０から計測データ群を取得する。ここで、計測データとは、温度センサにより計測された、工作機械３５の機械要素とその周辺の温度データを含んでもよい。さらに計測データは、工作機械３５の機械要素の動作状態データ、具体的には、例えば、工作機械３５の主軸の回転速度や、主軸へのクーラント流量、主軸軸受への潤滑油量等の、温度センサを貼り付けられない箇所の物性値を含んでもよい。
The measurement
熱変位量取得部１２は、例えばプローブによって検出される、工作機械３５の機械要素の熱変位量の実測値を取得する。
The thermal displacement
記憶部１３は、計測データ取得部１１によって取得された計測データ群を入力データとし、熱変位量取得部１２によって取得された機械要素の熱変位量の実測値をラベルとして、互いに関連付けて教師データとして記憶する。
The
計算式学習部１４は、計測データ群と、機械要素の熱変位量の実測値とに基づいて機械学習を行うことで、機械要素の熱変位量を計測データ群に基づいて算出する熱変位量予測計算式を設定する。
より具体的には、計測データ群内に独立変数が複数存在するため、一般化線形モデルの重回帰により、計算式学習部１４は、求めるべき熱変位量予測計算式に、記憶部１３に教師データとして記憶された所定期間内における計測データ群を代入して算出される機械要素の熱変位量の推定値と、記憶部１３にラベルとして記憶された所定期間内における機械要素の熱変位量の実測値との差異に基づいて、例えば最小二乗法等により差異が最小となるように、熱変位量予測計算式を設定する。
なお、計算式学習部１４は、具体的には、計測データ（入力データ）をＸ１，Ｘ２，・・・Ｘｎとし、工作機械を構成する主軸、ベッド、コラム等の構成要素の各々について、熱変位量の予測値をｆ（Ｘ１，Ｘ２，・・・，Ｘｎ）（ｎは自然数）、熱変位量の実測値をＹＬとした際、ｆ（Ｘ１，Ｘ２，・・・，Ｘｎ）とＹＬとの差異が最小となるような熱変位量予測計算式を設定する。
The calculation
More specifically, since there are a plurality of independent variables in the measurement data group, the calculation
Specifically, the calculation
熱変位補正装置２０は、図２に示すように、補正量算出手段としての補正量算出部２２と、補正実行手段としての補正部２４とを備える。
補正量算出部２２は、機械学習装置１０により設定された熱変位量予測計算式に基づいて、計測データ群（判定データ）から算出される機械要素の熱変位量に対応する補正量を算出する。
補正部２４は、補正量算出部２２によって算出された機械要素の補正量に基づき、機械要素の機械位置を補正する。又は、補正部２４は、この機械要素の補正量を制御装置３０に送信する。より具体的には、補正部２４は、図３に示すように、この機械要素の補正量を用いて、制御装置３０のプログラム読取解釈部３２から出力される切削加工の条件を補正した上で、モータ制御部３３に位置指令データを出力する。
As shown in FIG. 2, the thermal
The correction amount calculation unit 22 calculates the correction amount corresponding to the thermal displacement amount of the machine element calculated from the measurement data group (determination data) based on the thermal displacement amount prediction calculation formula set by the
The
＜機械学習時の動作＞
次に、本実施形態に係る熱変位補正システム１００における機械学習時の動作について説明する。図４は、この機械学習時の機械学習装置１０の動作を示すフローチャートである。
<Operation during machine learning>
Next, the operation during machine learning in the thermal
ステップＳ１１において、機械学習装置１０の計測データ取得部１１は、制御装置３０から計測データ群を取得する。より具体的には、計測データ取得部１１は、工作機械３５の機械要素とその周辺の温度データ、及び／又は、動作状態データを取得する。動作状態データとしては、例えば、主軸の回転速度や、クーラント流量、及び潤滑油流量を含むようにしてもよい。
なお、例えば、計測データとして、温度自体のデータではなく、温度変化量のデータを取得してもよい。さらに、温度変化量のデータとして、初期温度からの温度変化量のデータを取得してもよく、前回測定された温度から今回測定された温度までの温度変化量のデータを取得してもよい。
また、動作状態データとして、クーラントによる吸熱量、潤滑油吸熱量を含むようにしてもよい。
In step S11, the measurement
For example, as the measurement data, the data of the amount of temperature change may be acquired instead of the data of the temperature itself. Further, as the data of the amount of temperature change, the data of the amount of temperature change from the initial temperature may be acquired, or the data of the amount of temperature change from the previously measured temperature to the temperature measured this time may be acquired.
Further, the operating state data may include the amount of heat absorbed by the coolant and the amount of heat absorbed by the lubricating oil.
ステップＳ１２において、機械学習装置１０の熱変位量取得部１２は、例えばプローブによって検出される、工作機械３５の機械要素の熱変位量の実測値を取得する。具体的には、例えば、熱変位量のＸ、Ｙ、Ｚ軸方向成分を測定し、それらの測定値の組を実測値としてもよい。
In step S12, the thermal displacement
ステップＳ１３において、機械学習装置１０の記憶部１３は、計測データ取得部１１によって取得された計測データ群を入力データとし、熱変位量取得部１２によって取得された機械要素の熱変位量の実測値をラベルとして、互いに関連付けた組とし、教師データとして記憶する。
In step S13, the
ステップＳ１４において、機械学習装置１０の計算式学習部１４は、この教師データに基づいて機械学習を実行する。機械学習の具体的な手法の例については、後述する。
In step S14, the calculation
ステップＳ１５において、機械学習装置１０の計算式学習部１４は、機械学習を終了するか、それとも機械学習を繰り返すかを判定する。ここで、機械学習を終了させる条件は任意に定めることができる。ここで、機械学習を終了する場合（Ｓ１５：ＹＥＳ）には、処理はステップＳ１６に移行する。機械学習を繰り返す場合（Ｓ１５：ＮＯ）には、処理は、ステップＳ１１に戻り、同じ処理を繰り返す。
In step S15, the calculation
ステップＳ１６において、機械学習装置１０は、その時点までの機械学習により設定した熱変位量予測計算式をネットワーク４０経由で各熱変位補正装置２０に送信する。
In step S16, the
また、機械学習装置１０の記憶部１３は、この熱変位量予測計算式を記憶する。これにより、新たに設置された熱変位補正装置２０から熱変位量予測計算式を要求された場合には、その熱変位補正装置２０に熱変位量予測計算式を送信することができる。また、新たな教師データを取得した場合には、更なる機械学習を行うこともできる。
Further, the
＜機械学習の方法の例＞
上記のように、図４のステップＳ１４において、計算式学習部１４は、教師データを用いて機械学習を実施するが、その方法の例について詳述する。
<Example of machine learning method>
As described above, in step S14 of FIG. 4, the calculation
第１の手法として、一般化線形モデルの重回帰に基づき、熱変位量予測計算式Ｙ＝ａ１Ｘ１＋ａ２Ｘ２＋・・・ａｎＸｎによって算出される熱変位量の推定値と、熱変位量の実測値との二乗誤差が最小となる係数を、最小二乗法を用いた機械学習により、推論して設定することが可能である。ここで、Ｙは熱変位量推定値、Ｘ１、Ｘ２・・・Ｘｎは各計測データ値、ａ１、ａ２・・・ａｎは重回帰により決定される係数である。
具体的には、計測データをＸｋ、ラベルをＹＬとしたとき、
As the first method, the square of the estimated value of the thermal displacement amount calculated by the thermal displacement amount prediction calculation formula Y = a1X1 + a2X2 + ... anXn based on the multiple regression of the generalized linear model and the measured value of the thermal displacement amount. The coefficient that minimizes the error can be inferred and set by machine learning using the least squares method. Here, Y is an estimated thermal displacement amount, X1, X2 ... Xn are each measurement data value, and a1, a2 ... an are coefficients determined by multiple regression.
Specifically, when the measurement data is Xk and the label is YL,
第１の手法において、通常の重回帰分析ではなく、Ｌ２正則化項を考慮した重回帰分析を実施することが可能である。すなわち、熱変位量予測計算式Ｙ＝ａ１Ｘ１＋ａ２Ｘ２＋・・・ａｎＸｎによって算出される熱変位量の推定値と、熱変位量の実測値との二乗誤差に、Ｌ２正則化項を加算した値が最小となる係数を、機械学習により推論して設定することが可能である。ここで、上記と同様に、Ｙは熱変位量推定値、Ｘ１、Ｘ２・・・Ｘｎは各計測データ値、ａ１、ａ２・・・ａｎはＬ２正則化項を考慮した重回帰により決定される係数である。
具体的には、計測データをＸｋ、ラベルをＹＬとしたとき、
In the first method, it is possible to carry out multiple regression analysis in consideration of the L2 regularization term instead of the usual multiple regression analysis. That is, the value obtained by adding the L2 regularization term to the squared error between the estimated value of the thermal displacement amount calculated by the thermal displacement amount prediction calculation formula Y = a1X1 + a2X2 + ... anXn and the measured value of the thermal displacement amount is the minimum. It is possible to infer and set the coefficient to be by machine learning. Here, similarly to the above, Y is determined by the estimated thermal displacement amount, X1, X2 ... Xn are the measured data values, and a1, a2 ... an are determined by multiple regression considering the L2 regularization term. It is a coefficient.
Specifically, when the measurement data is Xk and the label is YL,
また、第１の手法において、スパース正則化を実施することが可能である。例えばＬ１正則化項を考慮した重回帰分析を実施することが可能である。具体的には、計測データをＸｋ、ラベルをＹＬとしたとき、 Moreover, in the first method, it is possible to carry out sparse regularization. For example, it is possible to carry out multiple regression analysis considering the L1 regularization term. Specifically, when the measurement data is Xk and the label is YL,
正則化の例としてＬ２正則化とＬ１正則化を用いたが、これは一例であって、これには限定されない。 L2 regularization and L1 regularization were used as examples of regularization, but this is an example and is not limited thereto.
第１の手法において、上記の機械学習を実行する際の入力データとして、計測データの１次遅れ要素や、計測データの時間シフト要素を用いることも可能である。具体的には、時刻ｔにおける熱変位量の推定値をＹ（ｔ）、時刻ｔにおけるセンサＸｋの測定値をＸｋ（ｔ）とした場合、計測データの１次遅れ要素を用いた熱変位量予測計算式は、 In the first method, it is also possible to use a first-order lag element of measurement data or a time shift element of measurement data as input data when executing the above machine learning. Specifically, when the estimated value of the thermal displacement amount at time t is Y (t) and the measured value of the sensor Xk at time t is Xk (t), the thermal displacement amount using the first-order lag element of the measurement data. The prediction formula is
また、時刻ｔにおける熱変位量の推定値をＹ（ｔ）、時刻ｔにおけるセンサＸｋの測定値をＸｋ（ｔ）とした場合、計測データの時間シフト要素を用いた熱変位量予測式は、 Further, when the estimated value of the thermal displacement amount at time t is Y (t) and the measured value of the sensor Xk at time t is Xk (t), the thermal displacement amount prediction formula using the time shift element of the measurement data is
また、計測データの１次遅れ要素や計測データの時間シフト要素を用いた上で、Ｌ１正則化項やＬ２正則化項といった各種正則化項を付加した学習を行っても良い。この場合、ａｋ、ａｋτ、ｂｋ、Ｔｋ等の各種パラメータに対する正則化項を付加することになる。 Further, learning may be performed by adding various regularization terms such as L1 regularization term and L2 regularization term after using the first-order lag element of the measurement data and the time shift element of the measurement data. In this case, regularization terms are added to various parameters such as ak, akτ, bk, and Tk.
第２の手法として、周知のニューラルネットワークによる機械学習を実施することが可能である。
例えば、図５に示すような単層のニューラルネットワークを用いることが可能である。図５においては、温度データＡ、温度データＢ、温度データＣ、動作状態データＡを元に主軸熱変位量推定値を求め、温度データＢ、温度データＤ、動作状態データＢを元に送り軸熱変位量推定値を求めているが、これは一例であって、これには限定されない。
As a second method, it is possible to carry out machine learning by a well-known neural network.
For example, it is possible to use a single-layer neural network as shown in FIG. In FIG. 5, the spindle thermal displacement amount estimated value is obtained based on the temperature data A, the temperature data B, the temperature data C, and the operating state data A, and the feed shaft is obtained based on the temperature data B, the temperature data D, and the operating state data B. The estimated value of the amount of thermal displacement is obtained, but this is an example, and the present invention is not limited to this.
また、図６Ａ及び図６Ｂに示すような多層のニューラルネットワークを用いることも可能である。とりわけ、図６Ａに記載されるような、中間層の出力が、同時に中間層の入力となるようなリカレントニューラルネットワークや、図６Ｂに記載されるような、所定時間分の過去から現在までの履歴データ、例えば、温度データＡｔ、温度データＡｔ−１、温度データＡｔ−２が同時に入力値となるような、タイムディレイ型のフィードフォワードニューラルネットワーク等を用いることが有効である。
また、ニューラルネットワークの入力データとして、前述した計測データの時間シフト要素（計測データの１次遅れ要素、及び／又は、計測データの時間シフト要素）を用いるようにしてもよい。
また、ニューラルネットワークの学習を行う際に、例えばＬ２正則化項のような各種正則化項を付加した学習を行っても良い。
なお、図６Ａ及び図６Ｂには中間層は１層のみしか記載されていないが、これには限定されず、任意の数の中間層を設定することが可能である。また、図６Ａでは、温度データＡ、温度データＢ、動作状態データＡを入力とし、主軸熱変位量推定値、送り軸熱変位量推定値を出力しているが、これは一例であって、これには限定されない。また、図６Ｂでは、温度データＡｔ、温度データＡｔ−１、温度データＡｔ−２を入力とし、主軸熱変位量推定値、送り軸熱変位量推定値を出力しているが、これは一例であって、これには限定されない。
It is also possible to use a multi-layer neural network as shown in FIGS. 6A and 6B. In particular, a recurrent neural network in which the output of the intermediate layer becomes the input of the intermediate layer at the same time as shown in FIG. 6A, and the history from the past to the present for a predetermined time as shown in FIG. 6B. It is effective to use a time delay type feed-forward neural network or the like in which data such as temperature data At, temperature data At-1, and temperature data At-2 are input values at the same time.
Further, as the input data of the neural network, the time shift element of the measurement data described above (the first-order lag element of the measurement data and / or the time shift element of the measurement data) may be used.
Further, when learning the neural network, learning may be performed by adding various regularization terms such as L2 regularization term.
Although only one intermediate layer is described in FIGS. 6A and 6B, the intermediate layer is not limited to this, and any number of intermediate layers can be set. Further, in FIG. 6A, the temperature data A, the temperature data B, and the operating state data A are input, and the spindle thermal displacement amount estimated value and the feed shaft thermal displacement amount estimated value are output. It is not limited to this. Further, in FIG. 6B, the temperature data At, the temperature data At-1, and the temperature data At-2 are input, and the spindle thermal displacement estimated value and the feed shaft thermal displacement estimated value are output. This is an example. Yes, it is not limited to this.
＜補正時の動作＞
次に、本実施形態に係る熱変位補正システム１００における補正時の動作について説明する。図７は、この補正時の熱変位補正装置２０の動作を示すフローチャートである。
<Operation during correction>
Next, the operation at the time of correction in the thermal
ステップＳ２１において、補正量算出部２２は、機械学習装置１０により設定された熱変位量予測計算式に基づいて、計測データ群から算出される機械要素の熱変位量に対応する補正量を算出する。
In step S21, the correction amount calculation unit 22 calculates the correction amount corresponding to the thermal displacement amount of the machine element calculated from the measurement data group based on the thermal displacement amount prediction calculation formula set by the
ステップＳ２２において、補正部２４は、補正量算出部２２によって算出された前記機械要素の補正量に基づき、前記機械要素の機械位置を補正することにより、熱変位量を相殺補償する。
なお、図７の記載とは異なるが、ステップＳ２２において、補正部２４は、この機械要素の補正量を制御装置３０に送信してもよい。より具体的には、補正部２４は、この機械要素の補正量を用いて、制御装置３０のプログラム読取解釈部３２から出力される座標位置を補正してモータ制御部３３に位置指令データを出力してもよく、この補正量を用いて予め加工プログラム３１を補正した上で、加工プログラム３１を実行してもよい。
In step S22, the
Although different from the description in FIG. 7, in step S22, the
＜第１実施形態が奏する効果＞
上記のように、本実施形態では、機械学習装置１０において、熱膨張する機械要素を有する工作機械３５の機械要素とその周辺の温度データ及び／又は機械要素の動作状態データを含む計測データ群に基づいて、機械要素の熱変位量を推定する熱変位量予測計算式を機械学習によって最適化することができる。
<Effects of the first embodiment>
As described above, in the present embodiment, in the
また、計測データを取得する各点の温度変化は熱伝導による遅れがかかり、その上で熱変位に反映されるため、遅れを考慮できる機械学習手法は有効である。 In addition, the temperature change at each point where the measurement data is acquired is delayed by heat conduction and is reflected in the thermal displacement. Therefore, a machine learning method that can take the delay into consideration is effective.
また、工作機械３５の動作環境や工作機械３５の種別に応じて、熱変位量予測計算式、熱変位量予測計算式に基づく補正式をチューニングし精度を向上することが可能となる。
Further, it is possible to improve the accuracy by tuning the thermal displacement amount prediction calculation formula and the correction formula based on the thermal displacement amount prediction calculation formula according to the operating environment of the
［第２実施形態］
以下、本発明の第２実施形態を図面に基づいて説明する。図８は、本実施形態に係る機械学習装置の詳細を示すブロック図である。図９は、本実施形態に係る機械学習装置における寄与度判定時の動作を示すフローチャートである。図１０は、本実施形態に係る機械学習装置における最適化計測データ群選択の動作を示すフローチャートである。
[Second Embodiment]
Hereinafter, a second embodiment of the present invention will be described with reference to the drawings. FIG. 8 is a block diagram showing details of the machine learning device according to the present embodiment. FIG. 9 is a flowchart showing an operation at the time of determining the degree of contribution in the machine learning device according to the present embodiment. FIG. 10 is a flowchart showing an operation of optimizing measurement data group selection in the machine learning device according to the present embodiment.
＜熱変位補正システム１００Ａの構成＞
第２実施形態に係る熱変位補正システム１００Ａは、第１実施形態に係る熱変位補正システム１００に比較して、第２実施形態に係る機械学習装置１０Ａの構成要素は、図８に示すように、第１実施形態に係る機械学習装置１０の構成要素に加えて、寄与度判定部１５及び最適化計測データ選定部１６が追加される点で異なる。その他の構成については、上述した第１実施形態と基本的に同一であるので、同一の部材については、同一の符号を付してその説明を省略する。
<Structure of thermal displacement correction system 100A>
In the thermal displacement correction system 100A according to the second embodiment, as compared with the thermal
寄与度判定部１５は、計測データ群に含まれる各計測データの熱変位量の予測に対する寄与度を判定する。
より具体的には、寄与度判定部１５は、寄与度算出対象の計測データを含む第１の計測データ群に基づく機械学習により設定される第１熱変位量予測計算式により算出される第１熱変位量予測値と熱変位量実測値との誤差である第１誤差（絶対値）と、寄与度算出対象の計測データを除く第２の計測データ群に基づく機械学習により設定される第２熱変位量予測計算式により算出される第２熱変位量予測値と熱変位量実測値との誤差である第２誤差（絶対値）との差異に基づいて、寄与度算出対象の計測データの寄与度を判定する。具体的には、第１誤差と第２誤差との差異が大きいほど、寄与度算出対象の計測データの寄与度は大きいと判定することができる。
なお、第１誤差と第２誤差との差異の判定に際しては、複数の教師データ集合に対応する第１誤差の集合及び第２誤差の集合に基づいて判定することが好ましい。この場合、例えば第１誤差と第２誤差との差異の平均値、又は最大値等を用いることができる。
The
More specifically, the
In determining the difference between the first error and the second error, it is preferable to make a determination based on a set of first errors and a set of second errors corresponding to a plurality of teacher data sets. In this case, for example, the average value or the maximum value of the difference between the first error and the second error can be used.
最適化計測データ選定部１６は、現在取得している計測データ群のうち、例えば、寄与度の小さい計測データを除く、予め設定された数の計測データの組み合わせからなる最適化計測データ群を選択する。なお、ここで「計測データ数」とは、例えば計測データを計測するセンサ毎に異なる、計測データの種類数を意味する。
より具体的には、最適化計測データ選定部１６は、現在取得している計測データ群から、寄与度判定部１５により判定される寄与度の一番少ない計測データを外した計測データ群を、第１番目の計測データ群として選択する。次に、最適化計測データ選定部１６は、第ｉ（１≦ｉ）番目の計測データ群から、寄与度判定部１５により判定される寄与度の一番少ない計測データを外した計測データ群を、第（ｉ＋１）番目の計測データ群として選択することを繰り返し行うことで、予め設定された数の計測データからなる最適化計測データ群を選択する。なお、ここでｉとは自然数である。
The optimization measurement
More specifically, the optimization measurement
＜寄与度判定時の動作＞
次に、機械学習装置１０Ａにおける、計測データ群に含まれる計測データの寄与度を判定する動作について説明する。図９は、この寄与度判定時の機械学習装置１０Ａの動作を示すフローチャートである。
<Operation at the time of contribution judgment>
Next, the operation of determining the contribution of the measurement data included in the measurement data group in the
ステップＳ３１において、計算式学習部１４は、図４に記載のフローに従い、全ての計測データを含む第１の計測データ群及び熱変位量実測値に基づいて第１熱変位量予測計算式を設定する。
In step S31, the calculation
ステップＳ３２において、寄与度判定部１５は、第１熱変位量予測計算式を用いて、第１熱変位量予測値を算出する。
In step S32, the
ステップＳ３３において、寄与度判定部１５は、第１熱変位量予測値と熱変位量実測値との誤差である第１誤差（絶対値）を算出する。
In step S33, the
ステップＳ３４において、計算式学習部１４は、図４に記載のフローに従い、寄与度算出対象の計測データを除く第２の計測データ群及び熱変位量実測値に基づいて第２熱変位量予測計算式を設定する。
In step S34, the calculation
ステップＳ３５において、寄与度判定部１５は、第２熱変位量予測計算式を用いて、第２熱変位量予測値を算出する。
In step S35, the
ステップＳ３６において、寄与度判定部１５は、第２熱変位量予測値と熱変位量実測値との誤差である第２誤差（絶対値）を算出する。
In step S36, the
なお、ステップＳ３１〜Ｓ３６は、図９に記載のように並行して実行してもよく、あるいは、連続的に実行してもよい。 In addition, steps S31 to S36 may be executed in parallel as shown in FIG. 9, or may be executed continuously.
ステップＳ３７において、寄与度判定部１５は、第１誤差と第２誤差との差異に基づいて、寄与度算出対象の計測データの寄与度を判定する。具体的には、この差異が大きいほど、寄与度算出対象の計測データの寄与度は大きくなると判定することができる。
In step S37, the
＜最適化計測データ群選択時の動作＞
次に、機械学習装置１０Ａにおける、寄与度の小さい計測データを外して所定の数の計測データを含む最適化計測データ群選択時の動作について説明する。図１０は、この寄与度判定時の機械学習装置１０Ａの動作を示すフローチャートである。
<Operation when optimizing measurement data group selection>
Next, the operation at the time of selecting the optimized measurement data group including a predetermined number of measurement data by removing the measurement data having a small contribution in the
ステップＳ４１において、最適化計測データ選定部１６は、最終的に使用する計測データの数を設定する。なお、最終的に使用する計測データの数は、当所の計測データ数未満であるものとする。
In step S41, the optimization measurement
ステップＳ４２において、寄与度判定部１５は、図９に記載のフローに従い、現在取得している計測データ群を構成する各計測データの寄与度を判定する。
In step S42, the
ステップＳ４３において、最適化計測データ選定部１６は、現在取得している計測データ群から、最も寄与度が小さい計測データを外した上で、この計測データ群を「１番目の計測データ群」とする。
In step S43, the optimization measurement
ステップＳ４４において、最適化計測データ選定部１６は、初期値としてｉ＝１を設定する。
In step S44, the optimization measurement
ステップＳ４５において、最適化計測データ選定部１６は、ｉ番目の計測データ群を選択する。
In step S45, the optimization measurement
ステップＳ４６において、寄与度判定部１５は、図９に記載のフローに従い、ｉ番目の計測データ群を構成する各計測データの寄与度を判定する。
In step S46, the
ステップＳ４７において、最適化計測データ選定部１６は、ｉ番目の計測データ群から、最も寄与度が小さい計測データを外した上で、この計測データ群を「ｉ＋１番目の計測データ群」とする。
In step S47, the optimization measurement
ステップＳ４８において、最適化計測データ選定部１６は、「ｉ＋１番目の計測データ群」中の計測データ数が、ステップＳ４１において設定した計測データ数に等しいか判定する。計測データ数が当初の設定数と等しい場合（Ｓ４８：ＹＥＳ）には、処理を終了する。すなわち、ステップＳ４８の処理を終了した時点での「ｉ＋１番目の計測データ群」が、最適化された計測データ群となる。計測データ数が当初の設定数と等しくない場合（Ｓ４８：ＮＯ）には、処理はステップＳ４７に移行する。
In step S48, the optimization measurement
ステップＳ４７において、最適化計測データ選定部１６は、ｉを１インクリメントする。その後、処理はステップＳ４５に戻る。
In step S47, the optimization measurement
＜第２実施形態が奏する効果＞
上記のように、第２実施形態では、第１実施形態が奏する効果に加えて、貢献度の小さな計測データを計測データ群から外すことにより、計測データ群をスリム化することが可能となる。
<Effects of the second embodiment>
As described above, in the second embodiment, in addition to the effect of the first embodiment, the measurement data group can be slimmed down by excluding the measurement data having a small contribution from the measurement data group.
さらに、上記のように、制御装置３０の端子に接続されたセンサは取り外し可能であるため、精度向上への寄与が小さいセンサを外したり、センサの位置を変更したりすることにより、少ないセンサで高精度な補正をすることが可能となる。また、センサの削減は、コストカットや保守の容易性に繋がる。とりわけ、あらかじめ大量のセンサを設置して計測データを取得した上で、機械学習による自動解析で寄与度を算出し、寄与が小さいセンサを削除することにより、少ないセンサで高精度な補正をすることが可能となる。
Further, as described above, since the sensor connected to the terminal of the
［第３実施形態］
以下、本発明の第３実施形態を図面に基づいて説明する。図１１は、本実施形態に係る機械学習装置の詳細を示すブロック図である。図１２は、本実施形態に係る機械学習装置における精度向上に貢献しない計測データの検出時の動作を示すフローチャートである。
[Third Embodiment]
Hereinafter, a third embodiment of the present invention will be described with reference to the drawings. FIG. 11 is a block diagram showing details of the machine learning device according to the present embodiment. FIG. 12 is a flowchart showing an operation at the time of detecting measurement data that does not contribute to the improvement of accuracy in the machine learning device according to the present embodiment.
＜熱変位補正システム１００Ｂの構成＞
第３実施形態に係る熱変位補正システム１００Ｂは、第１実施形態に係る熱変位補正システム１００に比較して、機械学習装置１０Ｂの構成要素は、図８に示すように、機械学習装置１０の構成要素に加えて、検出部１７が追加される。その他の構成については、上述した第１実施形態と基本的に同一であるので、同一の部材については、同一の符号を付してその説明を省略する。第３実施形態は、スパース正則化学習を利用することにより精度向上に寄与しない計測データを検出するものである。
<Structure of thermal displacement correction system 100B>
In the thermal displacement correction system 100B according to the third embodiment, as compared with the thermal
検出部１７は、スパース正則化学習により設定される熱変位量予測式に基づいて、熱変位量予測の精度向上に貢献しない計測データを検出する。
The
＜検出時の動作＞
次に、機械学習装置１０Ｂにおける、計測データ群に含まれる計測データの寄与度を判定する動作について説明する。図１２は、この寄与度判定時の機械学習装置１０Ｂの動作を示すフローチャートである。
<Operation at the time of detection>
Next, the operation of determining the contribution of the measurement data included in the measurement data group in the
ステップＳ５１において、機械学習装置１０Ｂの計測データ取得部１１は、制御装置３０から計測データ群を取得する。より具体的には、計測データ取得部１１は、工作機械３５の機械要素とその周辺の温度データ、及び／又は、工作機械３５の動作状態データを取得する。
In step S51, the measurement
ステップＳ５２において、機械学習装置１０Ｂの熱変位量取得部１２は、例えば渦電流センサによって検出される、工作機械３５の機械要素の熱変位量の実測値を取得する。具体的には、例えば、熱変位量のＸ、Ｙ、Ｚ軸方向成分を測定し、それらの測定値の組を実測値としてもよい。
In step S52, the thermal displacement
ステップＳ５３において、機械学習装置１０Ｂの記憶部１３は、計測データ取得部１１によって取得された計測データ群を入力データとし、熱変位量取得部１２によって取得された機械要素の熱変位量の実測値をラベルとして、互いに関連付けた組とし、教師データとして記憶する。
In step S53, the
ステップＳ５４において、機械学習装置１０の計算式学習部１４は、この教師データを用いたスパース正則化による機械学習をする。
In step S54, the calculation
ステップＳ５５において係数ａｋ＝０となるような計測データＸｋを検出する。こうすることで、検出部１７は、スパース正則化学習により設定される熱変位量予測式に基づいて、熱変位量予測の精度向上に貢献しない計測データを検出する。
In step S55, the measurement data Xk such that the coefficient ak = 0 is detected. By doing so, the
なお、第２実施形態である機械学習装置１０Ａにおいて、寄与度判定部１５に代えて、検出部１７を使用し、最適化計測データ選定部１６と組み合わせることで、計測データ群を最適化することも可能である。より具体的には、検出部１７が、係数ａｋ＝０となるような、熱変位量予測の精度向上に貢献しない計測データを検出し、最適化計測データ選定部１６が、現在取得している計測データ群から、熱変位量予測の精度向上に貢献しない計測データを外すことにより、スリム化された計測データ群を選定することが可能となる。
In the
＜第３実施形態が奏する効果＞
上記のように、第３実施形態では、第２実施形態が奏する効果と同様の効果を奏することが可能となる。
<Effects of the third embodiment>
As described above, in the third embodiment, it is possible to obtain the same effect as that of the second embodiment.
［その他の実施形態］
上述した実施形態は、本発明の好適な実施形態ではあるが、上記実施形態に本発明の範囲を限定するものではなく、本発明の要旨を逸脱しない範囲において、種々の変更を施した形態での実施が可能である。
[Other Embodiments]
Although the above-described embodiment is a preferred embodiment of the present invention, the scope of the present invention is not limited to the above-described embodiment, and various modifications are made without departing from the gist of the present invention. Can be implemented.
［変形例１］
上記の実施形態においては、一般化線形モデルの重回帰に基づき、熱変位量予測計算式を多項式としたが、これには限定されず、非線形モデルの重回帰に基づくものとしてもよい。
[Modification 1]
In the above embodiment, the thermal displacement prediction calculation formula is a polynomial based on the multiple regression of the generalized linear model, but the present invention is not limited to this, and the multiple regression of the nonlinear model may be used.
［変形例２］
また、上記の実施形態においては、計測データを削除することにより計測データ群を最適化する技術について記載したが、これには限定されず、計測データを追加することにより計測データ群を最適化してもよい。具体的には、機械学習の結果設定された熱変位量予測計算式の精度が、閾値未満である場合には、計測データを追加してもよい。さらに、ある計測データを削除した上で、別の計測データを追加してもよい。
とりわけ、工作機械の保守員やエンドユーザの側でセンサを追加した際、熱変位量予測計算式に基づく補正式の自動チューニングにより、熱変位補正の精度が向上する。
また、例えば熱変位補正の精度を向上させるために、例えば温度センサの配置位置を変えて得られる計測データ群による機械学習を行うようにしてもよい。この場合も、配置換えした後に得られる熱変位予測式により算出される熱変位量予測値と熱変位量実測値との誤差と、配置換えをする前の計測データ群による機械学習に基づいて得られた熱変位補正式により算出される熱変位量予測値と熱変位量実測値との誤差と、の差異を評価することで、精度が向上しているかどうかを判定することができる。
[Modification 2]
Further, in the above embodiment, the technique of optimizing the measurement data group by deleting the measurement data has been described, but the present invention is not limited to this, and the measurement data group is optimized by adding the measurement data. May be good. Specifically, if the accuracy of the thermal displacement amount prediction calculation formula set as a result of machine learning is less than the threshold value, measurement data may be added. Further, after deleting a certain measurement data, another measurement data may be added.
In particular, when a sensor is added by a machine tool maintenance worker or an end user, the accuracy of thermal displacement correction is improved by automatic tuning of a correction formula based on a thermal displacement amount prediction calculation formula.
Further, for example, in order to improve the accuracy of thermal displacement correction, for example, machine learning may be performed using a measurement data group obtained by changing the arrangement position of the temperature sensor. Also in this case, it is obtained based on the error between the thermal displacement predicted value calculated by the thermal displacement prediction formula obtained after the rearrangement and the measured thermal displacement amount, and the machine learning by the measurement data group before the rearrangement. By evaluating the difference between the estimated value of the amount of thermal displacement calculated by the obtained thermal displacement correction formula and the measured value of the amount of thermal displacement, it is possible to determine whether or not the accuracy is improved.
また、上記の実施形態では、工作機械３５を切削機械としたがこれには限定されない。工作機械３５は、例えば、ワイヤ放電加工機や、レーザ加工機であってもよい。
Further, in the above embodiment, the
［変形例４］
また、制御装置３０が熱変位補正装置２０を備えるように構成してもよい。
あるいは、制御装置３０が機械学習装置１０，１０Ａ，１０Ｂを備えるように構成してもよい。
[Modification example 4]
Further, the
Alternatively, the
［変形例５］
上記の実施形態における機械学習装置１０，１０Ａ，１０Ｂは、ＣＰＵを備えるコンピュータシステムとしてもよい。その場合には、ＣＰＵは、例えばＲＯＭ等の記憶部に格納されたプログラムを読み出し、このプログラムに従ってコンピュータを計測データ取得部１１、熱変位量取得部１２、記憶部１３、計算式学習部１４、寄与度判定部１５、最適化計測データ選定部１６、検出部１７として実行させる。
[Modification 5]
The
１０ １０Ａ １０Ｂ 機械学習装置
１１ 計測データ取得部
１２ 熱変位量取得部
１３ 記憶部
１４ 計算式学習部
１５ 寄与度判定部
１６ 最適化計測データ選定部
１７ 検出部
２０ 熱変位補正装置
２２ 補正量算出部
２４ 補正部
３０ 制御装置
３５ 工作機械
４０ ネットワーク
１００ １００Ａ １００Ｂ 熱変位補正システム
10
Claims (13)
前記計測データ群を取得する計測データ取得部と、
前記機械要素の熱変位量の実測値を取得する熱変位量取得部と、
前記計測データ取得部によって取得された前記計測データ群を入力データとし、前記熱変位量取得部によって取得された前記機械要素の熱変位量の実測値をラベルとして互いに関連付けて教師データとして記憶する記憶部と、
前記計測データ群と、前記機械要素の熱変位量の実測値と、に基づいて機械学習を行うことで、前記機械要素の熱変位量を前記計測データ群に基づいて算出する熱変位量予測計算式を設定する計算式学習部と、を備え、
前記計算式学習部は、前記熱変位量予測計算式に前記記憶部に教師データとして記憶された所定期間内における前記計測データ群を代入して算出される前記機械要素の熱変位量の推定値と、前記記憶部にラベルとして記憶された前記所定期間内における前記機械要素の熱変位量の実測値との差異に基づいて、前記熱変位量予測計算式を設定し、
前記熱変位量予測計算式は、前記計測データ群に含まれる温度データの複数の時間シフト要素を使用する機械学習装置。 A calculation formula for estimating the amount of thermal displacement of the machine element based on a measurement data group including temperature data of the machine element and its surroundings and / or operation state data of the machine element of the machine element having a thermally expanding machine element. A machine learning device that is optimized by machine learning.
A measurement data acquisition unit that acquires the measurement data group,
A thermal displacement amount acquisition unit that acquires an actually measured value of the thermal displacement amount of the machine element,
A storage in which the measurement data group acquired by the measurement data acquisition unit is used as input data, and the measured value of the thermal displacement amount of the machine element acquired by the thermal displacement amount acquisition unit is associated with each other as a label and stored as teacher data. Department and
Thermal displacement prediction calculation that calculates the thermal displacement of the machine element based on the measurement data group by performing machine learning based on the measurement data group and the measured value of the thermal displacement of the machine element. It is equipped with a calculation formula learning unit that sets formulas.
The calculation formula learning unit is an estimated value of the thermal displacement amount of the mechanical element calculated by substituting the measurement data group within a predetermined period stored in the storage unit as teacher data into the thermal displacement amount prediction calculation formula. And, based on the difference from the measured value of the thermal displacement amount of the mechanical element within the predetermined period stored as a label in the storage unit, the thermal displacement amount prediction calculation formula is set .
The thermal displacement amount prediction calculation formula is a machine learning device that uses a plurality of time shift elements of temperature data included in the measurement data group.
前記計測データ群に計測データの追加、及び／又は前記計測データ群から計測データを除外することで第２の計測データ群を取得し、
前記記憶部に、前記第２の計測データ群を入力データとして記憶し、
前記計算式学習部は、さらに、
前記第２の計測データ群に基づいて前記機械要素の熱変位量を算出する第２熱変位量予測計算式を設定する、請求項１又は請求項２に記載の機械学習装置。 The measurement data acquisition unit further
A second measurement data group is acquired by adding measurement data to the measurement data group and / or excluding the measurement data from the measurement data group.
The second measurement data group is stored as input data in the storage unit, and the second measurement data group is stored as input data.
The calculation formula learning unit further
The machine learning device according to claim 1 or 2 , wherein a second thermal displacement amount prediction calculation formula for calculating the thermal displacement amount of the machine element is set based on the second measurement data group.
前記寄与度判定部は、
寄与度算出対象の計測データを含む計測データ群に基づいて設定された第１熱変位量予測計算式により算出される第１熱変位量予測値と熱変位量実測値との誤差である第１誤差と、前記寄与度算出対象の計測データを除く前記第２の計測データ群に基づいて設定される第２熱変位量予測計算式により算出される第２熱変位量予測値と熱変位量実測値との誤差である第２誤差と、の差異に基づいて、前記寄与度算出対象の計測データの寄与度を判定する請求項３に記載の機械学習装置。 Further, a contribution determination unit for determining the contribution of the measurement data included in the measurement data group to the prediction of the amount of thermal displacement is provided.
The contribution determination unit
The first is the error between the first thermal displacement predicted value calculated by the first thermal displacement predicted formula set based on the measurement data group including the measured data for which the contribution is to be calculated and the measured thermal displacement value. The error and the second thermal displacement predicted value and the thermal displacement measured by the second thermal displacement predicted calculation formula set based on the second measurement data group excluding the measurement data for which the contribution is calculated. The machine learning device according to claim 3 , wherein the contribution degree of the measurement data of the contribution degree calculation target is determined based on the difference between the second error and the value.
前記最適化計測データ選定部は、
現在取得している計測データ群から、前記寄与度判定部により判定される寄与度の一番少ない計測データを外した計測データ群を、第１番目の計測データ群として選択し、
第ｉ（１≦ｉ）番目の計測データ群から、前記寄与度判定部により判定される寄与度の一番少ない計測データを外した計測データ群を、第（ｉ＋１）番目の計測データ群として選択することを繰り返し行うことで、予め設定された数の計測データからなる最適化計測データ群を選択する、請求項４に記載の機械学習装置。 Among the currently acquired measurement data groups, an optimized measurement data selection unit that selects an optimized measurement data group consisting of a combination of measurement data with the highest accuracy using a preset number of measurement data is further added. Prepare,
The optimized measurement data selection unit
From the currently acquired measurement data group, the measurement data group obtained by removing the measurement data having the smallest contribution determined by the contribution determination unit is selected as the first measurement data group.
The measurement data group obtained by removing the measurement data having the smallest contribution determined by the contribution determination unit from the i (1 ≦ i) th measurement data group is selected as the (i + 1) th measurement data group. The machine learning device according to claim 4 , wherein an optimized measurement data group consisting of a preset number of measurement data is selected by repeating the above steps.
前記検出部は、
スパース正則化学習により設定される前記熱変位量の予測計算式に基づいて検出する請求項９に記載の機械学習装置。 It is further equipped with a detection unit that detects measurement data included in the measurement data group that does not contribute to improving the accuracy of thermal displacement prediction.
The detection unit
The machine learning apparatus according to claim 9, wherein the machine learning device detects based on the prediction calculation formula of the thermal displacement amount set by the sparse regularization learning.
前記補正量算出部によって算出された前記機械要素の補正量に基づき、前記機械要素の機械位置を補正する補正部と、
を備えている工作機械の熱変位補正装置。 Corresponds to the thermal displacement amount of the machine element calculated from the measurement data group based on the thermal displacement amount prediction calculation formula set by the machine learning device according to any one of claims 1 to 11. A correction amount calculation unit that calculates the correction amount, and
A correction unit that corrects the machine position of the machine element based on the correction amount of the machine element calculated by the correction amount calculation unit, and a correction unit that corrects the machine position of the machine element.
Machine tool thermal displacement compensator equipped with.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019082287A JP6882364B2 (en) | 2019-04-23 | 2019-04-23 | Machine learning device and thermal displacement compensator |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019082287A JP6882364B2 (en) | 2019-04-23 | 2019-04-23 | Machine learning device and thermal displacement compensator |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017054266A Division JP6564412B2 (en) | 2017-03-21 | 2017-03-21 | Machine learning device and thermal displacement correction device |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JP2019111648A JP2019111648A (en) | 2019-07-11 |
| JP2019111648A5 JP2019111648A5 (en) | 2020-09-03 |
| JP6882364B2 true JP6882364B2 (en) | 2021-06-02 |
Family
ID=67223430
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019082287A Active JP6882364B2 (en) | 2019-04-23 | 2019-04-23 | Machine learning device and thermal displacement compensator |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6882364B2 (en) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114341752B (en) * | 2019-09-02 | 2023-06-13 | 山崎马扎克公司 | Control device, machine tool, correction coefficient calculation method, and storage medium |
| WO2023188493A1 (en) * | 2022-03-31 | 2023-10-05 | パナソニックＩｐマネジメント株式会社 | Error analysis method, error analysis device, and program |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH068107A (en) * | 1992-06-29 | 1994-01-18 | Hitachi Seiko Ltd | Thermal displacement compensation method for machine tool |
| JPH0775937A (en) * | 1993-09-07 | 1995-03-20 | Sodick Co Ltd | Machine tool and control method thereof |
| JPH08141883A (en) * | 1994-11-24 | 1996-06-04 | Toyoda Mach Works Ltd | Method for correcting thermal displacement of machine tool |
| JP2003094291A (en) * | 2001-09-27 | 2003-04-03 | Kanto Seiki Kk | Thermal displacement correction method and device for machine tool |
| JP4242760B2 (en) * | 2003-12-25 | 2009-03-25 | オークマ株式会社 | Machine tool thermal displacement compensation method |
| JP6001211B1 (en) * | 2014-10-29 | 2016-10-05 | ヤマザキマザック株式会社 | Machine tool with thermal displacement correction amount setting change device |
| JP6438366B2 (en) * | 2015-08-28 | 2018-12-12 | ファナック株式会社 | Machine learning method and machine learning device for learning operation command for electric motor, control device and electric motor device provided with the machine learning device |
-
2019
- 2019-04-23 JP JP2019082287A patent/JP6882364B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2019111648A (en) | 2019-07-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6564412B2 (en) | Machine learning device and thermal displacement correction device | |
| JP6464220B2 (en) | Machine learning device and thermal displacement correction device | |
| JP7086600B2 (en) | Process control, process control method, process control device, and multiple speed controller | |
| JP6482699B2 (en) | Use of predictive means in process control systems with wireless or intermittent process measurements | |
| US20180196405A1 (en) | Machine learning device for machine tool and thermal displacement compensation device | |
| JP6356977B2 (en) | Improved Kalman filter in process control systems | |
| JP6882364B2 (en) | Machine learning device and thermal displacement compensator | |
| TWI665044B (en) | Wire electric discharge machine | |
| JP6756676B2 (en) | Manufacturing system | |
| US11550291B2 (en) | Advanced thermal compensation of mechanical processes | |
| JP6450704B2 (en) | Manufacturing adjustment system that adjusts the manufacturing status of multiple machines | |
| CN111433691B (en) | Control system, plant system, learning system, method for generating model for estimation, and method for estimating state of actuator | |
| JP7303065B2 (en) | Machine learning device, control system and machine learning method | |
| JPH068107A (en) | Thermal displacement compensation method for machine tool | |
| US11249454B2 (en) | Thermal displacement correction device considering sensor failure | |
| JP6890110B2 (en) | Machine tool thermal displacement correction method | |
| JP5321165B2 (en) | Feedforward amount estimation device and control device | |
| US20230205167A1 (en) | Information processing device, control device, and optimization method | |
| JP6775906B2 (en) | Excavator support device | |
| JP2006055918A (en) | Method of correcting thermal deformation error of machine tool | |
| JP2019155573A (en) | Robot control device, network system, robot monitoring method and program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200323 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200720 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210406 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210506 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6882364 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |